正则表达式30分钟⼊门教程——堪称⽹上能到的最好的正则式
⼊门教程
本教程堪称⽹上能到的最好正则表达式⼊门教程
本⽂⽬标
30分钟内让你明⽩正则表达式是什么,并对它有⼀些基本的了解,让你可以在⾃⼰的程序或⽹页⾥使⽤它。
如何使⽤本教程
最重要的是——请给我30分钟,如果你没有使⽤正则表达式的经验,请不要试图在30秒内⼊门——除⾮你是超⼈ :)
别被下⾯那些复杂的表达式吓倒,只要跟着我⼀步⼀步来,你会发现正则表达式其实并没有想像中的那么困难。当然,如果你看完了这篇教程之后,发现⾃⼰明⽩了很多,却⼜⼏乎什么都记不得,那也是很正常的——我认为,没接触过正则表达式的⼈在看完这篇教程后,能把提到过的语法记住80%以上的可能性为零。这⾥只是让你明⽩基本的原理,以后你还需要多练习,多使⽤,才能熟练掌握正则表达式。
除了作为⼊门教程之外,本⽂还试图成为可以在⽇常⼯作中使⽤的正则表达式语法参考⼿册。就作者本⼈的经历来说,这个⽬标还是完成得不错的——你看,我⾃⼰也没能把所有的东西记下来,不是吗?
⽂本格式约定:专业术语元字符/语法格式正则表达式正则表达式中的⼀部分(⽤于分析) 对其进⾏匹配的源字符串对正则表达式或其中⼀部分的说明
本⽂右边有⼀些注释,主要是⽤来提供⼀些相关信息,或者给没有程序员背景的读者解释⼀些基本概念,通常可以忽略。
正则表达式到底是什么东西?
字符是计算机软件处理⽂字时最基本的单位,可能是字母,数字,标点符号,空格,换⾏符,汉字等等。字符串是0个或更多个字符的序列。⽂本也就是⽂字,字符串。说某个字符串匹配某个正则表达式,通常是指这个字符串⾥有⼀部分(或⼏部分分别)能满⾜表达式给出的条件。
在编写处理字符串的程序或⽹页时,经常会有查符合某些复杂规则的字符串的需要。正则表达式就是⽤于描述这些规则的⼯具。换句话说,正则表达式就是记录⽂本规则的代码。
很可能你使⽤过Windows/Dos下⽤于⽂件查的通配符(wildcard),也就是*和?。如果你想查某个⽬录下的所有的Word⽂档的话,你会搜索*.doc。在这⾥,*会被解释成任意的字符串。和通配符类似,正则
表达式也是⽤来进⾏⽂本匹配的⼯具,只不过⽐起通配符,它能更精确地描述你的需求——当然,代价就是更复杂——⽐如你可以编写⼀个正则表达式,⽤来查所有以0开头,后⾯跟着2-3个数字,然后是⼀个连字号“-”,最后是7或8位数字的字符串(像010-********或0376-*******)。
⼊门
学习正则表达式的最好⽅法是从例⼦开始,理解例⼦之后再⾃⼰对例⼦进⾏修改,实验。下⾯给出了不少简单的例⼦,并对它们作了详细的说明。
假设你在⼀篇英⽂⼩说⾥查hi,你可以使⽤正则表达式hi。
这⼏乎是最简单的正则表达式了,它可以精确匹配这样的字符串:由两个字符组成,前⼀个字符是h,后⼀个是i。通常,处理正则表达式的⼯具会提供⼀个忽略⼤⼩写的选项,如果选中了这个选项,它可以匹配hi,HI,Hi,hI这四种情况中的任意⼀种。
不幸的是,很多单词⾥包含hi这两个连续的字符,⽐如him,history,high等等。⽤hi来查的话,这⾥边的hi也会被出来。如果要精确地查hi这个单词的话,我们应该使⽤\bhi\b。
\b是正则表达式规定的⼀个特殊代码(好吧,某些⼈叫它元字符,metacharacter),代表着单词的开头或结尾,也就是单词的分界处。虽然通常英⽂的单词是由空格,标点符号或者换⾏来分隔的,但是\b并
不匹配这些单词分隔字符中的任何⼀个,它只匹配⼀个位置。
如果需要更精确的说法,\b匹配这样的位置:它的前⼀个字符和后⼀个字符不全是(⼀个是,⼀个不是或不存在)\w。
假如你要的是hi后⾯不远处跟着⼀个Lucy,你应该⽤\bhi\b.*\bLucy\b。
这⾥,.是另⼀个元字符,匹配除了换⾏符以外的任意字符。*同样是元字符,不过它代表的不是字符,也不是位置,⽽是数量——它指定*前边的内容可以连续重复使⽤任意次以使整个表达式得到匹配。因此,.*连在⼀起就意味着任意数量的不包含换⾏的字符。现
在\bhi\b.*\bLucy\b的意思就很明显了:先是⼀个单词hi,然后是任意个任意字符(但不能是换⾏),最后是Lucy这个单词。
换⾏符就是'\n',ASCII编码为10(⼗六进制0x0A)的字符。
如果同时使⽤其它元字符,我们就能构造出功能更强⼤的正则表达式。⽐如下⾯这个例⼦:
0\d\d-\d\d\d\d\d\d\d\d匹配这样的字符串:以0开头,然后是两个数字,然后是⼀个连字号“-”,最后是8个数字(也就是中国的电话号码。当然,这个例⼦只能匹配区号为3位的情形)。
这⾥的\d是个新的元字符,匹配⼀位数字(0,或1,或2,或……)。-不是元字符,只匹配它本⾝——连字符(或者减号,或者中横线,或者随你怎么称呼它)。
为了避免那么多烦⼈的重复,我们也可以这样写这个表达式:0\d{2}-\d{8}。这⾥\d后⾯的{2}({8})的意思是前⾯\d必须连续重复匹配2次(8次)。测试正则表达式
其它可⽤的测试⼯具:
如果你不觉得正则表达式很难读写的话,要么你是⼀个天才,要么,你不是地球⼈。正则表达式的语法很令⼈头疼,即使对经常使⽤它的⼈来说也是如此。由于难于读写,容易出错,所以⼀种⼯具对正则表达式进⾏测试是很有必要的。
不同的环境下正则表达式的⼀些细节是不相同的,本教程介绍的是微软 .Net Framework 4.0 下正则表达式的⾏为,所以,我向你推荐我编写的.Net下的⼯具。请参考该页⾯的说明来安装和运⾏该软件。
下⾯是Regex Tester运⾏时的截图:
元字符
现在你已经知道⼏个很有⽤的元字符了,如\b,.,*,还有\d.正则表达式⾥还有更多的元字符,⽐如\s匹配
任意的空⽩符,包括空格,制表符(Tab),换⾏符,中⽂全⾓空格等。\w匹配字母或数字或下划线或汉字等。
对中⽂/汉字的特殊处理是由.Net提供的正则表达式引擎⽀持的,其它环境下的具体情况请查看相关⽂档。正则表达式任意内容
下⾯来看看更多的例⼦:
\ba\w*\b匹配以字母a开头的单词——先是某个单词开始处(\b),然后是字母a,然后是任意数量的字母或数字(\w*),最后是单词结束处(\b)。
好吧,现在我们说说正则表达式⾥的单词是什么意思吧:就是不少于⼀个的连续的\w。不错,这与学习英⽂时要背的成千上万个同名的东西的确关系不⼤ :)
\d+匹配1个或更多连续的数字。这⾥的+是和*类似的元字符,不同的是*匹配重复任意次(可能是0次),⽽+则匹配重复1次或更多次。
\b\w{6}\b 匹配刚好6个字符的单词。
表1.常⽤的元字符
代码说明
.匹配除换⾏符以外的任意字符
\w匹配字母或数字或下划线或汉字
\s匹配任意的空⽩符
\d匹配数字
\b匹配单词的开始或结束
^匹配字符串的开始
$匹配字符串的结束
正则表达式引擎通常会提供⼀个“测试指定的字符串是否匹配⼀个正则表达式”的⽅法,如JavaScript⾥的st()⽅法或.NET⾥的Regex.IsMatch()⽅法。这⾥的匹配是指是字符串⾥有没有符合表达式规则的部分。如果不使⽤^和$的话,对于\d{5,12}⽽⾔,使⽤这样的⽅法就只能保证字符串⾥包含5到12连续位数字,⽽不是整个字符串就是5到12位数字。
元字符^(和数字6在同⼀个键位上的符号)和$都匹配⼀个位置,这和\b有点类似。^匹配你要⽤来查的字符串的开头,$匹配结尾。这两个代码在验证输⼊的内容时⾮常有⽤,⽐如⼀个⽹站如果要求你填写的QQ号必须为5位到12位数字时,可以使⽤:^\d{5,12}$。
这⾥的{5,12}和前⾯介绍过的{2}是类似的,只不过{2}匹配只能不多不少重复2次,{5,12}则是重复的次数不能少于5次,不能多于12次,否则都不匹配。
因为使⽤了^和$,所以输⼊的整个字符串都要⽤来和\d{5,12}来匹配,也就是说整个输⼊必须是5到12个数字,因此如果输⼊的QQ号能匹配这个正则表达式的话,那就符合要求了。
和忽略⼤⼩写的选项类似,有些正则表达式处理⼯具还有⼀个处理多⾏的选项。如果选中了这个选项,^和$的意义就变成了匹配⾏的开始处和结束处。
字符转义
如果你想查元字符本⾝的话,⽐如你查.,或者*,就出现了问题:你没办法指定它们,因为它们会被解释成别的意思。这时你就得使⽤\来
取消这些字符的特殊意义。因此,你应该使⽤\.和\*。当然,要查\本⾝,你也得⽤\\.
例如:deerchao\匹配deerchao,C:\\Windows匹配C:\Windows。
重复
你已经看过了前⾯的*,+,{2},{5,12}这⼏个匹配重复的⽅式了。下⾯是正则表达式中所有的限定符(指定数量的代码,例如*,{5,12}等):
表2.常⽤的限定符
代码/语法说明
*重复零次或更多次
+重复⼀次或更多次
重复零次或⼀次
{n}重复n次
{n,}重复n次或更多次
{n,m}重复n到m次
下⾯是⼀些使⽤重复的例⼦:
Windows\d+匹配Windows后⾯跟1个或更多数字
^\w+匹配⼀⾏的第⼀个单词(或整个字符串的第⼀个单词,具体匹配哪个意思得看选项设置)
字符类
要想查数字,字母或数字,空⽩是很简单的,因为已经有了对应这些字符集合的元字符,但是如果你想匹配没有预定义元字符的字符集合(⽐如元⾳字母a,e,i,o,u),应该怎么办?
很简单,你只需要在⽅括号⾥列出它们就⾏了,像[aeiou]就匹配任何⼀个英⽂元⾳字母,[.?!]匹配标点符号(.或?或!)。
我们也可以轻松地指定⼀个字符范围,像[0-9]代表的含意与\d就是完全⼀致的:⼀位数字;同理[a-z0-9A-Z_]也完全等同于\w(如果只考虑英⽂的话)。
下⾯是⼀个更复杂的表达式:\(?0\d{2}[) -]?\d{8}。
“(”和“)”也是元字符,后⾯的⾥会提到,所以在这⾥需要使⽤。
这个表达式可以匹配⼏种格式的电话号码,像(010)88886666,或022-********,或029********等。我们
对它进⾏⼀些分析吧:⾸先是⼀个转义字符\(,它能出现0次或1次(?),然后是⼀个0,后⾯跟着2个数字(\d{2}),然后是)或-或空格中的⼀个,它出现1次或不出现(?),最后是8个数字(\d{8})。
分枝条件
不幸的是,刚才那个表达式也能匹配010)12345678或(022-********这样的“不正确”的格式。要解决这个问题,我们需要⽤到分枝条件。正则表达式⾥的分枝条件指的是有⼏种规则,如果满⾜其中任意⼀种规则都应该当成匹配,具体⽅法是⽤|把不同的规则分隔开。听不明⽩?没关系,看例⼦:
0\d{2}-\d{8}|0\d{3}-\d{7}这个表达式能匹配两种以连字号分隔的电话号码:⼀种是三位区号,8位本地号(如010-********),⼀种是4位区号,7位本地号(0376-*******)。
\(?0\d{2}\)?[- ]?\d{8}|0\d{2}[- ]?\d{8}这个表达式匹配3位区号的电话号码,其中区号可以⽤⼩括号括起来,也可以不⽤,区号与本地号间可以⽤连字号或空格间隔,也可以没有间隔。你可以试试⽤分枝条件把这个表达式扩展成也⽀持4位区号的。
\d{5}-\d{4}|\d{5}这个表达式⽤于匹配美国的。美国邮编的规则是5位数字,或者⽤连字号间隔的9位数字。之所以要给出这个例⼦是因为它能说明⼀个问题:使⽤分枝条件时,要注意各个条件的顺序。如果你把它改成\d{5}|\d{5}-\d{4}的话,那么就只会匹配5位的邮编(以及9位邮编的前5位)。原因是匹
配分枝条件时,将会从左到右地测试每个条件,如果满⾜了某个分枝的话,就不会去再管其它的条件了。
分组
我们已经提到了怎么重复单个字符(直接在字符后⾯加上限定符就⾏了);但如果想要重复多个字符⼜该怎么办?你可以⽤⼩括号来指定⼦表达式(也叫做分组),然后你就可以指定这个⼦表达式的重复次数了,你也可以对⼦表达式进⾏其它⼀些操作(后⾯会有介绍)。
(\d{1,3}\.){3}\d{1,3}是⼀个简单的IP地址匹配表达式。要理解这个表达式,请按下列顺序分析它:\d{1,3}匹配1到3位的数字,(\d{1,3}\.){3}匹
配三位数字加上⼀个英⽂句号(这个整体也就是这个分组)重复3次,最后再加上⼀个⼀到三位的数字(\d{1,3})。
IP地址中每个数字都不能⼤于255. 经常有⼈问我, 01.02.03.04 这样前⾯带有0的数字, 是不是正确的IP地址呢? 答案是: 是的, IP 地址⾥的数字可以包含有前导 0 (leading zeroes).
不幸的是,它也将匹配256.300.888.999这种不可能存在的IP地址。如果能使⽤算术⽐较的话,或许能简单地解决这个问题,但是正则表达式中并不提供关于数学的任何功能,所以只能使⽤冗长的分组,选择,
字符类来描述⼀个正确的IP地址:((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3} (2[0-4]\d|25[0-5]|[01]?\d\d?)。
理解这个表达式的关键是理解2[0-4]\d|25[0-5]|[01]?\d\d?,这⾥我就不细说了,你⾃⼰应该能分析得出来它的意义。
反义
有时需要查不属于某个能简单定义的字符类的字符。⽐如想查除了数字以外,其它任意字符都⾏的情况,这时需要⽤到反义:
表3.常⽤的反义代码
代码/语法说明
\W匹配任意不是字母,数字,下划线,汉字的字符
\S匹配任意不是空⽩符的字符
\D匹配任意⾮数字的字符
\B匹配不是单词开头或结束的位置
[^x]匹配除了x以外的任意字符
[^aeiou]匹配除了aeiou这⼏个字母以外的任意字符
例⼦:\S+匹配不包含空⽩符的字符串。
<a[^>]+>匹配⽤尖括号括起来的以a开头的字符串。
后向引⽤
使⽤⼩括号指定⼀个⼦表达式后,匹配这个⼦表达式的⽂本(也就是此分组捕获的内容)可以在表达式或其它程序中作进⼀步的处理。默认情况下,每个分组会⾃动拥有⼀个组号,规则是:从左向右,以分组的左括号为标志,第⼀个出现的分组的组号为1,第⼆个为2,以此类推。
呃……其实,组号分配还不像我刚说得那么简单:
分组0对应整个正则表达式
实际上组号分配过程是要从左向右扫描两遍的:第⼀遍只给未命名组分配,第⼆遍只给命名组分配--因此所有命名组的组号都⼤于未命名的组号
你可以使⽤(?:exp)这样的语法来剥夺⼀个分组对组号分配的参与权.
后向引⽤⽤于重复搜索前⾯某个分组匹配的⽂本。例如,\1代表分组1匹配的⽂本。难以理解?请看⽰例:
\b(\w+)\b\s+\1\b可以⽤来匹配重复的单词,像go go, 或者kitty kitty。这个表达式⾸先是⼀个单词,也就是单词开始处和结束处之间的多于⼀个的字母或数字(\b(\w+)\b),这个单词会被捕获到编号为1的分组中,然后是1个或⼏个空⽩符(\s+),最后是分组1中捕获的内容(也就是前⾯匹配的那个单词)(\1)。
你也可以⾃⼰指定⼦表达式的组名。要指定⼀个⼦表达式的组名,请使⽤这样的语法:(?<Word>\w+)(或者把尖括号换成'也
⾏:(?'Word'\w+)),这样就把\w+的组名指定为Word了。要反向引⽤这个分组捕获的内容,你可以使⽤\k<Word>,所以上⼀个例⼦也可以写成这样:\b(?<Word>\w+)\b\s+\k<Word>\b。
使⽤⼩括号的时候,还有很多特定⽤途的语法。下⾯列出了最常⽤的⼀些:
表4.常⽤分组语法
分类代码/语法说明
捕获(exp)匹配exp,并捕获⽂本到⾃动命名的组⾥
(?<name>exp)匹配exp,并捕获⽂本到名称为name的组⾥,也可以写成(?'name'exp) (?:exp)匹配exp,不捕获匹配的⽂本,也不给此分组分配组号
零宽断⾔(?=exp)匹配exp前⾯的位置
(?<=exp)匹配exp后⾯的位置
(?!exp)匹配后⾯跟的不是exp的位置(?<!exp)匹配前⾯不是exp的位置
注释(?#comment)这种类型的分组不对正则表达式的处理产⽣任何影响,⽤于提供注释让⼈阅读
我们已经讨论了前两种语法。第三个(?:exp)不会改变正则表达式的处理⽅式,只是这样的组匹配的内容不会像前两种那样被捕获到某个组⾥⾯,也不会拥有组号。“我为什么会想要这样做?”——好问题,你觉得为什么呢?
零宽断⾔
地球⼈,是不是觉得这些术语名称太复杂,太难记了?我也有同感。知道有这么⼀种东西就⾏了,它叫什么,随它去吧!⼈若⽆名,便可专⼼练剑;物若⽆名,便可随意取舍……
接下来的四个⽤于查在某些内容(但并不包括这些内容)之前或之后的东西,也就是说它们像\b,^,$那样⽤于指定⼀个位置,这个位置应该满⾜⼀定的条件(即断⾔),因此它们也被称为零宽断⾔。最好还是拿例⼦来说明吧:
断⾔⽤来声明⼀个应该为真的事实。正则表达式中只有当断⾔为真时才会继续进⾏匹配。
(?=exp)也叫零宽度正预测先⾏断⾔,它断⾔⾃⾝出现的位置的后⾯能匹配表达式exp。⽐如\b\w+(?=ing\b),匹配以ing结尾的单词的前⾯部分(除了ing以外的部分),如查I'm singing while you're dancing.时,它会匹配sing和danc。
(?<=exp)也叫零宽度正回顾后发断⾔,它断⾔⾃⾝出现的位置的前⾯能匹配表达式exp。⽐如(?<=\bre)\w+\b会匹配以re开头的单词的后半部分(除了re以外的部分),例如在查reading a book时,它匹配ading。
假如你想要给⼀个很长的数字中每三位间加⼀个逗号(当然是从右边加起了),你可以这样查需要在前⾯和⾥⾯添加逗号的部分:((?
<=\d)\d{3})+\b,⽤它对1234567890进⾏查时结果是234567890。
下⾯这个例⼦同时使⽤了这两种断⾔:(?<=\s)\d+(?=\s)匹配以空⽩符间隔的数字(再次强调,不包括这
些空⽩符)。
负向零宽断⾔
前⾯我们提到过怎么查不是某个字符或不在某个字符类⾥的字符的⽅法(反义)。但是如果我们只是想要确保某个字符没有出现,但并不想去匹配它时怎么办?例如,如果我们想查这样的单词--它⾥⾯出现了字母q,但是q后⾯跟的不是字母u,我们可以尝试这样:
\b\w*q[^u]\w*\b匹配包含后⾯不是字母u的字母q的单词。但是如果多做测试(或者你思维⾜够敏锐,直接就观察出来了),你会发现,如果q出现在单词的结尾的话,像Iraq,Benq,这个表达式就会出错。这是因为[^u]总要匹配⼀个字符,所以如果q是单词的最后⼀个字符的话,后⾯的[^u]将会匹配q后⾯的单词分隔符(可能是空格,或者是句号或其它的什么),后⾯的\w*\b将会匹配下⼀个单词,于是\b\w*q[^u]\w*\b就能匹配整个Iraq fighting。负向零宽断⾔能解决这样的问题,因为它只匹配⼀个位置,并不消费任何字符。现在,我们可以这样来解决这个问题:\b\w*q(?!u)\w*\b。
零宽度负预测先⾏断⾔(?!exp),断⾔此位置的后⾯不能匹配表达式exp。例如:\d{3}(?!\d)匹配三位数字,⽽且这三位数字的后⾯不能是数字;\b((?!abc)\w)+\b匹配不包含连续字符串abc的单词。
同理,我们可以⽤(?<!exp),零宽度负回顾后发断⾔来断⾔此位置的前⾯不能匹配表达式exp:(?<![a-z])\d{7}匹配前⾯不是⼩写字母的七位数字。
请详细分析表达式(?<=<(\w+)>).*(?=<\/\1>),这个表达式最能表现零宽断⾔的真正⽤途。
⼀个更复杂的例⼦:(?<=<(\w+)>).*(?=<\/\1>)匹配不包含属性的简单HTML标签内⾥的内容。(?<=<(\w+)>)指定了这样的前缀:被尖括号括起来的单词(⽐如可能是<b>),然后是.*(任意的字符串),最后是⼀个后缀(?=<\/\1>)。注意后缀⾥的\/,它⽤到了前⾯提过的字符转义;\1则是⼀个反向引⽤,引⽤的正是捕获的第⼀组,前⾯的(\w+)匹配的内容,这样如果前缀实际上是<b>的话,后缀就是</b>了。整个表达式匹配的是<b>和</b>之间的内容(再次提醒,不包括前缀和后缀本⾝)。
注释
⼩括号的另⼀种⽤途是通过语法(?#comment)来包含注释。例如:2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199)。
要包含注释的话,最好是启⽤“忽略模式⾥的空⽩符”选项,这样在编写表达式时能任意的添加空格,Tab,换⾏,⽽实际使⽤时这些都将被忽略。启⽤这个选项后,在#后⾯到这⼀⾏结束的所有⽂本都将被当成注释忽略掉。例如,我们可以前⾯的⼀个表达式写成这样:
(?<= # 断⾔要匹配的⽂本的前缀
<(\w+)> # 查尖括号括起来的字母或数字(即HTML/XML标签)
) # 前缀结束
.* # 匹配任意⽂本
(?= # 断⾔要匹配的⽂本的后缀
<\/\1> # 查尖括号括起来的内容:前⾯是⼀个"/",后⾯是先前捕获的标签
) # 后缀结束
贪婪与懒惰
当正则表达式中包含能接受重复的限定符时,通常的⾏为是(在使整个表达式能得到匹配的前提下)匹配尽可能多的字符。以这个表达式为例:a.*b,它将会匹配最长的以a开始,以b结束的字符串。如果⽤它来搜索aabab的话,它会匹配整个字符串aabab。这被称为贪婪匹配。
有时,我们更需要懒惰匹配,也就是匹配尽可能少的字符。前⾯给出的限定符都可以被转化为懒惰匹配模式,只要在它后⾯加上⼀个问号?。这样.*?就意味着匹配任意数量的重复,但是在能使整个匹配成功的前提下使⽤最少的重复。现在看看懒惰版的例⼦吧:
a.*?b匹配最短的,以a开始,以b结束的字符串。如果把它应⽤于aabab的话,它会匹配aab(第⼀到第三个字符)和ab(第四到第五个字符)。
为什么第⼀个匹配是aab(第⼀到第三个字符)⽽不是ab(第⼆到第三个字符)?简单地说,因为正则表达式有另⼀条规则,⽐懒惰/贪婪规则的优先级更⾼:最先开始的匹配拥有最⾼的优先权——The match that begins earliest wins。
表5.懒惰限定符
代码/语法说明
*?重复任意次,但尽可能少重复
+?重复1次或更多次,但尽可能少重复
重复0次或1次,但尽可能少重复
版权声明:本站内容均来自互联网,仅供演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198,我们将在24小时内删除。
发表评论